Mathematik für Bioinformatik und Systembiologie. - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz

Save this PDF as:
Größe: px
Ab Seite anzeigen:

Download "Mathematik für Bioinformatik und Systembiologie. - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz"

Transkript

1 Mathematik für Bioinformatik und Systembiologie - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz WS 2009/10 Universität Freiburg

2 Dieses Vorlesungsskript ist auf der Basis von Vorlesungen zu Grundlagen der Optimierung und ihrer LaTeX-Ausarbeitung von Prof. Dr. Roland Herzog an der TU Chemnitz und PD Dr. Dirk Lebiedz an der Universität Freiburg zusammengestellt. Der Inhalt orientiert sich in weiten Teilen an den Darstellungen in den Literaturempfehlungen: Geiger und Kanzow: Numerische Verfahren zur Lösung unrestringierten Optimierungsaufgaben, Springer (1999), Geiger und Kanzow: Theorie und Numerik restringierten Optimierungsaufgaben, Springer (2002) und Nocedal und Wright: Numerical Optimization, 2nd editions, Springer (2006). Fehler und Kommentare bitte an: Stand: 18. Dezember 2009

3 Inhaltsverzeichnis Kapitel 0. Einführung 5 1 Grundbegriffe 5 Kapitel 1. Unbeschränkte Optimierung 9 3 Optimalitätsbedingungen 9 4 Ein allgemeines Abstiegsverfahren 9 5 Eine effiziente Schrittweitenstrategie: Armijo-Regel 11 6 Wahl der Suchrichtungen: Gradientenverfahren Konvergenz bei quadratischer Zielfunktion 13 7 Wahl der Suchrichtungen: Newton-Verfahren 15 Kapitel 2. Nichtlineare beschränkte Optimierung 17 8 Einführung 17 9 Notwendige Optimalitätsbedingungen Optimalitätsbedingungen unter LICQ Numerische Methoden für beschränkte nichtlineare Optimierungsprobleme 20 3

4

5 KAPITEL 0 Einführung 1 Grundbegriffe Allgemeines beschränktes Optimierungsproblem Minimiere f(x) über x Ω (Zielfunktion) sodass h i (x) = 0, i E (Gleichungsnebenbedingungen) und g i (x) 0, i I (Ungleichungsnebenbedingungen) (1.1) Ω heißt Grundmenge und x die Variable(n) der Aufgabe. Sei Ω R n f, g i, h i : R n R hinreichend glatte Funktionen (2-mal stetig diff.bar) E und I endliche (ggf. leere) Indexmengen. Definition 1.1 Die Menge X = {x Ω : h i (x) = 0 für alle i E, g i (x) 0 für alle i I} heißt zulässige Menge, x X zulässiger Punkt. (a) Ein x X heißt globales Optimum, wenn gilt: f(x ) f(x) für alle x X. (b) Ein globales Optimum heißt strikt, wenn gilt: f(x ) < f(x) für alle x X, x x. (c) Ein x X heißt lokales Optimum, wenn es eine Umgebung U(x ) gibt, sodass gilt: f(x ) f(x) für alle x X U(x ). (d) Ein lokales Optimum heißt strikt, wenn gilt: f(x ) < f(x) für alle x X U(x ), x x. Ein Optimum nennt man auch Minimum, Minimalstelle oder Lösung von (1.1). 5

6 6 0. EINFÜHRUNG Fragestellungen: Wann existieren Optimallösungen? Wie überprüft man Optimalität? ( Optimalitätsbedingungen) Wie kann man Optimallösungen näherungsweise numerisch bestimmen? Wie konstruiert man effiziente Algorithmen? Beispiel 1.2 (Angebotsauswertung) Ein Pharma-Unternehmen will eine bestimmte Menge M einer Basischemikalie einkaufen und holt dazu Angebote von n Lieferfirmen ein, von denen keine die gewünschte Gesamtmenge alleine liefern kann. Anbieter i liefert maximal m i, wobei der Preis f i (x i ) von der Bestellmenge x i abhängt. [f i wird i.d.r. monoton wachsend sein und evtl. nichtlinear.] Die minimalen Beschaffungskosten ergeben sich durch Lösung der folgenden Optimierungsaufgabe: n min f(x) := f i (x i ), x R n i=1 n (1.2) sodass x i = M i=1 und 0 x i m i, i = 1,..., n. Beispiel 1.3 (Parameteridentifizierungsproblem) Eine an einer Feder befestigte Masse bewegt sich unter dem Einfluss von Dämpfung gemäß der Differentialgleichung mÿ + rẏ + ky = 0. In einem Experiment mit Anfangsanregung y(0) = y 0, ẏ(0) = 0 soll zu verschiedenen Zeitpunkten t i, i = 1,..., N die Auslenkung y i gemessen werden. Daraus sollen bei bekannter Masse m die unbekannten Dämpfungs- und Federkonstanten (Parameter) r und k bestimmt werden. Wir setzen x := (r, k). Die Lösung der Differentialgleichung zum Zeitpunkt t mit obigen Anfangsbedingungen wird mit y(t; x) bezeichnet, um die Abhängigkeit von den zu bestimmenden Parametern x zu verdeutlichen. Wir formulieren folgende Aufgabe: min f(x) := 1 N y(t i ; x) y i 2, x R 2, (1.3) 2 i=1 damit die Messwerte y i möglichst gut die Vorhersage der Position durch das Modell y(t i ; x) wiedergeben. Motivation für diese Methode der kleinsten Quadrate : Sind die Messfehler in den Daten y i unabhängig und identisch verteilt und folgen sie einer Normalverteilung, so erhält man durch Minimierung der Fehlerquadratsumme gerade den wahrscheinlichsten Parameterwert x.

7 Beispiel 1.4 (Optimalsteuerungsproblem) 0. GRUNDBEGRIFFE 7 Problemstellung: Der Wagen soll möglichst schnell zum Nullpunkt gesteuert werden und dort stehenbleiben. Es seien x 1 (t) : Position des Wagens (Masse = 1) zur Zeit t x 2 (t) : Geschwindigkeit des Wagens u(t) : Beschleunigung des Wagens, Steuerfunktion ( ) x1 (t) x(t) = : Zustand des Systems. x 2 (t) Die Dynamik des Systems ist nach dem zweiten Newton schen Axiom (Kraft = Masse Beschleunigung) gegeben durch ẋ 1 (t) = x 2 (t) ẋ 2 (t) = u(t) x(0) = x 0 R 2 ( 0 x(t ) = 0) u(t) [ 1, 1] Anfangsbedingung Endbedingung Steuerbeschränkung (1.4) Ziel: Bestimme eine stückweise stetige optimale Steuerung u : [0, T ] R so, dass die Endzeit T minimal wird unter den Beschränkungen (1.4). Optimalsteuerungsprobleme sind unendlich-dimensionale (infinite) Optimierungsprobleme, da die Optimierungsvariablen (Steuer-)Funktionen sind, also Elemente eines unendlich-dimensionalen Vektorraums. Man kann sie mit Hilfe sog. direkter numerischer Methoden behandeln, indem man die Steuerfunktionen parametrisiert (z.b. durch Polynome approximiert) und dadurch auf einen endlich-dimensionalen Raum mit endlich vielen Optimierungsvariablen projiziert (siehe Übung). Optimalsteuerungsprobleme aus Biologie und Medizin werden in der Vorlesung Einführung in die Systembiologie vorgestellt. Dabei geht es z.b. darum, ein biologisches System durch externe Manipulation in einen gewünschten Zustand zu steuern oder medizinische Behandlungsstrategien bzgl. eines gewünschten Ziels zu optimieren. Optimierung ist oft auch im Zusammenhang mit biotechnologischen Prozessen von Bedeutung, in denen man z.b. die Syntheseausbeute eines Bioprodukts maximieren möchte.

8 8 0. EINFÜHRUNG Definition 1.5 (Klassifikation von Optimierungsproblemen) (a) Die Optimierungsaufgabe (1.1) heißt frei oder unrestringiert, wenn E = I = ist, andernfalls gleichungs- und/oder ungleichungs-restringiert oder -beschränkt. (b) Ungleichungsbeschränkungen der Art l i x i u i, i = 1,..., n mit l i R { } und r i R { } heißen Box-Beschränkungen. (c) Sind f, g und h (affin-)lineare Funktionen von x, so sprechen wir von linearer Optimierung. Ein lineares Optimierungsproblem heißt auch lineares Programm (LP), also z.b. min c x sodass Ax = b und x 0. (d) Sind allgemeiner f und alle g i konvexe Funktionen und sind alle h i wieder (affin-)linear, so sprechen wir von konvexer Optimierung. Hierbei darf außerdem noch Ω R n eine konvexe Teilmenge sein. (e) Ist f ein quadratisches Polynom und sind g und h (affin-)linear, so sprechen wir von quadratischer Optimierung. Ein quadratisches Optimierungsproblem heißt auch quadratisches Programm (QP). (f) Im allgemeinen Fall spricht man von nichtlinearer Optimierung und von einem nichtlinearen Programm (NLP).

9 KAPITEL 1 Unbeschränkte Optimierung Wir betrachten in diesem Kapitel das unrestringierte Optimierungsproblem (1.1) mit Ω = R n und E = I =, also Minimiere f(x) über x R n. Wir beschränken uns auf das Auffinden lokaler Optima. Im gesamten Kapitel 1 sei f : R n R mindestens einmal stetig differenzierbar. 3 Optimalitätsbedingungen Satz 3.1 (Notwendige Bedingungen 1. Ordnung) Sei x ein lokales Minimum und f stetig differenzierbar in einer Umgebung U(x ). Dann ist f(x ) = 0. Ist f stetig differenzierbar in einer Umgebung U(x) und gilt f(x) = 0, so nennt man x einen stationären Punkt von f. Beachte: Die Bedingung f(x) = 0 ist keinesfalls hinreichend dafür, dass x ein lokales Minimum von f ist. Betrachte etwa f(x) = x 2 bei x = 0. Satz 3.2 (Hinreichende Bedingungen 2. Ordnung) Es sei f zweimal stetig differenzierbar in einer Umgebung U(x ), und es gelte (a) f(x ) = 0 (b) 2 f(x ) ist positiv definit (hinreichende Bedingung dafür ist, dass alle Eigenwerte der Hesse-Matrix 2 f(x ) positiv sind). Dann ist x ein striktes lokales Minimum von f. 4 Ein allgemeines Abstiegsverfahren In den 4 6 vernachlässigen wir zunächst die Optimalitätskriterien aus 3 und orientieren uns nur an den Funktionswerten von f. Definition 4.1 (Abstiegsrichtung) Ein Vektor d R n heißt Abstiegsrichtung von f im Punkt x R n, wenn es ein α > 0 gibt mit f(x + td) < f(x) für alle t (0, α). Idee: Suche entlang einer Abstiegsrichtung eine geeignete Schrittweite t, die f hinreichend verkleinert, und iteriere. Lemma 4.2 Es seien x R n und d R n gegeben mit f(x) d < 0. Dann ist d eine Abstiegsrichtung von f in x. 9

10 10 1. UNBESCHRÄNKTE OPTIMIERUNG Beweis: Für die Richtungsableitung gilt f(x + td) f(x) δf(x; d) = lim t 0 t Also gibt es ein α > 0 mit f(x + td) f(x) t = f(x) d < 0. < 0 für alle t (0, α). Anschaulich bedeutet f(x) d < 0, dass der Winkel zwischen der Richtung d und dem negativen Gradienten f(x) kleiner als 90 ist. Abbildung 4.1. Winkelbedingung beim Abstiegsverfahren Beachte: Die Bedingung f(x) d < 0 ist nicht notwendig für eine Abstiegsrichtung. Etwa in einem strikten lokalen Maximum x sind alle Richtungen d 0 Abstiegsrichtungen, jedoch erfüllt wegen f(x) = 0 keine Richtung d die Bedingung f(x) d < 0. Bemerkung 4.3 Ist x kein stationärer Punkt von f, so ist d = f(x) immer eine Abstiegsrichtung von f in x. Algorithmus 4.4 (Allgemeines Abstiegsverfahren) 1: Wähle x 0 R n und setze k := 0 2: while Abbruchkriterium nicht erfüllt do 3: Bestimme eine Abstiegsrichtung d k von f in x k 4: Bestimme eine Schrittweite t k > 0 mit f(x k + t k d k ) < f(x k ) 5: Setze x k+1 := x k + t k d k und k := k + 1 6: end while Der Algorithmus lässt viele Freiheiten bei der Wahl der Abstiegsrichtungen d k und der Schrittweiten t k. Wir lassen zunächst das Abbruchkriterium außer Acht und wollen stets annehmen, dass der Algorithmus eine unendliche Folge {x k } liefert.

11 1. EINE EFFIZIENTE SCHRITTWEITENSTRATEGIE: ARMIJO-REGEL 11 Definition 4.5 (Schrittweitenstrategie) (a) Eine Abbildung T auf R n R n, die jedem Paar (x, d) eine Teilmenge von R + zuordnet, heißt Schrittweitenstrategie. (b) Sie heißt wohldefiniert, wenn T (x, d) ist für alle (x, d) mit f(x) d < 0. (c) Sie heißt effizient, wenn es für alle (x, d) mit d Abstiegsrichtung von f in x eine von x und d unabhängige Konstante θ > 0 gibt mit ( f(x) d ) 2 f(x + td) f(x) θ (4.1) d für alle t T (x, d). Wir nennen eine Schrittweite t T (x, d) selbst effizient, wenn T effizient ist. Ein Beispiel einer effizienten Schrittweitenstrategie werden wir in 5 behandeln. Da jeweils f entlang der Richtung d k durchsucht wird, spricht man auch von Algorithmen zur Liniensuche. Satz 4.6 (Ein globaler Konvergenzsatz) Es seien {x k }, {d k } und {t k } durch Algorithmus 4.4 erzeugte Folgen mit folgenden Eigenschaften: (a) Die Schrittweiten t k > 0 sind effizient. (b) Die Suchrichtungen d k erfüllen die sogenannte Winkelbedingung: Es existiert eine Konstante c > 0 mit f(x k ) d k c f(x k ) d k. (4.2) Dann ist jeder Häufungspunkt x von {x k } ein stationärer Punkt von f, erfüllt also f(x ) = 0. Bemerkung 4.7 Für den Winkel ϕ k zwischen der Suchrichtung d k und dem negativen Gradienten f(x k ) gilt cos ϕ k = f(xk ) d k f(x k ) d k. Die Winkelbedingung (4.2) besagt also, dass der Winkel zwischen d k und f(x k ) gleichmäßig von 90 weg beschränkt bleibt. 5 Eine effiziente Schrittweitenstrategie: Armijo-Regel Es stellt sich die Frage, wie man eine wohldefinierte und effiziente Schrittweitenstrategie im Sinne von Definition 4.5 algorithmisch umsetzen kann. Die naheliegende Minimierungsregel Bestimme tk := t k min so, dass f(x k + t k mind k ) = min t>0 f(xk + td k ) gilt (5.1) ist zwar unter bestimmten Annahmen wohldefiniert und effizient, aber wegen ihres Aufwands außer in Sonderfällen für f nicht praktikabel.

12 12 1. UNBESCHRÄNKTE OPTIMIERUNG Wir behandeln hier deshalb eine andere realisierbare Schrittweitenstrategie: Die Armijo-Regel ist eine Bedingung, die einen hinreichenden Abstieg von f sichert. Sie ist bestimmt durch die Parameter σ (0, 1) und β (0, 1) und die Startschrittweite s > 0. Zu (x, d) R n R n mit f(x) d < 0 bestimme man sodass gilt. t A := max{sβ l : l = 0, 1, 2,...}, f(x + t A d) f(x) + σ t A f(x) d (5.2) Man testet also die Schrittweiten s, sβ, sβ 2 etc., bis zum ersten Mal (5.2) erfüllt ist, und liefert dann T (x, d) = {t A } zurück ( Backtracking ). Zur Veranschaulichung führen wir die Liniensuchfunktion ein. Es gilt: ϕ ist stetig differenzierbar in [0, ) und ϕ(t) = f(x + td) (5.3) ϕ (t) = f(x + td) d. Also lautet die Armijo-Bedingung (5.2) alternativ ϕ(t A ) ϕ(0) + σ t A ϕ (0). (5.4) Abbildung 5.1. Darstellung der Armijo-Bedingung (5.2) Satz 5.1 (Wohldefiniertheit und Effizienz der Armijo-Regel) Es seien σ (0, 1), β (0, 1) sowie s > 0 gegeben. Man kann unter sehr allgemeinen Bedingungen beweisen, dass sie Armijo-Regel wohldefiniert und effizient ist.

13 1. WAHL DER SUCHRICHTUNGEN: GRADIENTENVERFAHREN 13 6 Wahl der Suchrichtungen: Gradientenverfahren Bisher haben wir uns im Zusammenhang mit dem allgemeinen Abstiegsverfahren (Algorithmus 4.4) nur mit der Schrittweitenstrategie beschäftigt. In 6 und 7 folgen nun zwei Strategien, um die Suchrichtungen {d k } zu bestimmen. Hier wählen wir zunächst d = f(x), die Richtung des steilsten Abstiegs von f. Algorithmus 6.1 (Gradientenverfahren, Verfahren des steilsten Abstiegs) 1: Wähle x 0 R n, σ (0, 1), β (0, 1), ε > 0 und setze k := 0 2: while f(x k ) > ε do 3: Setze d k := f(x k ) 4: Bestimme eine Schrittweite t k mit der Armijo-Regel mit der Startschrittweite s = 1, d.h., t k := max{β l : l = 0, 1, 2,...}, sodass gilt: f(x k + t k d k ) f(x k ) + σ t k f(x k ) d k 5: Setze x k+1 := x k + t k d k und k := k + 1 6: end while 6.1 Konvergenz bei quadratischer Zielfunktion Um die Konvergenzgeschwindigkeit des Gradientenverfahrens zu untersuchen, wenden wir es auf eine quadratische Funktion f an: f(x) = 1 2 x Qx + c x + γ mit Q R n R n symmetrisch positiv definit (s.p.d.), c R n und γ R. Die eindeutige (globale) Lösung der Aufgabe min x R n f(x) ist x = Q 1 c, (6.1) denn dies ist die einzige Lösung der notwendigen Bedingungen (Satz 3.1), und die hinreichenden Bedingungen (Satz 3.2) sind dort erfüllt. Natürlich wird man das Gradientenverfahren nur anwenden, wenn die direkte Berechnung von x aus (6.1) zu aufwendig ist [also Q zu groß ist oder nicht explizit vorliegt]. Im Fall der quadratischen Zielfunktion lässt sich die exakte Schrittweite aus der Minierungsregel (5.1) t k min = arg min t>0 f(xk + td k ) im k-ten Schritt berechnen. Setzen wir g k = f(x k ) = Qx k + c, so ergibt sich t k := t k min = (gk ) g k (g k ) Q g k.

14 14 1. UNBESCHRÄNKTE OPTIMIERUNG Wir wählen also hier statt der Armijo-Regel in Algorithmus 6.1 stets die exakte Schrittweite t k min. Es seien λ min (Q) und λ max (Q) > 0 der kleinste und größte Eigenwert der s.p.d. Matrix Q und κ = cond 2 (Q) = λ max(q) λ min (Q) die (spektrale) Konditionszahl von Q. Satz 6.2 (Globaler Konvergenzsatz für quadratische Zielfunktionen) Es sei Q s.p.d. Das Gradientenverfahren mit exakter Schrittweite t min konvergiert für jeden Startvektor x 0 R n gegen das eindeutige globale Minimum x, und es gilt ( κ 1 ) 2( f(x k+1 ) f(x ) f(x k ) f(x ) ) κ + 1 x k x ( κ 1 ) k x κ 0 x κ + 1 Abbildung 6.1. Konvergenz des Gradientenverfahrens Bemerkung 6.3 Für große Konditionszahlen κ ist die Konvergenz sehr langsam (Zick-Zack-Effekt). Zur Charakterisierung der Konvergenzgeschwindigkeit von Algorithmen führen wir ein: Definition 6.4 (Q-Konvergenzraten) Sei {x n } R n eine Folge und x R n. (a) {x k } konvergiert gegen x (mindestens) q-linear, falls ein c (0, 1) existiert mit x k+1 x c x k x für alle k N hinreichend groß (b) {x k } konvergiert gegen x (mindestens) q-superlinear, falls es eine Nullfolge {ε k } gibt mit x k+1 x ε k x k x für alle k N.

15 1. WAHL DER SUCHRICHTUNGEN: NEWTON-VERFAHREN 15 (c) Gilt x k x, so konvergiert {x k } gegen x (mindestens) q-quadratisch, falls ein C > 0 existiert mit x k+1 x C x k x 2 für alle k N. 7 Wahl der Suchrichtungen: Newton-Verfahren [Hier orientieren wir uns jetzt wieder an den notwendigen Bedingungen!] In diesem Abschnitt wird f als zweimal stetig differenzierbar angenommen. Wir betrachten wieder min f(x). (7.1) x Rn Das Newton-Verfahren lässt sich auf zwei verschiedene Weisen motivieren: (a) Die notwendige Optimalitätsbedingung 1. Ordnung lautet f(x) = 0, siehe Satz 3.1. Wende zur Lösung dieser i.a. nichtlinearen Gleichung das Newton-Verfahren an. Wir erhalten die Iterationsvorschrift x k+1 = x k 2 f(x k ) 1 f(x k ). (b) Im aktuellen Iterationspunkt x k ersetze man (7.1) durch die Minimierung des quadratischen Modells q k (x) = f(x k ) + f(x k ) (x x k ) (x xk ) 2 f(x k )(x x k ). (7.2) Ist die Hessematrix 2 f(x k ) positiv definit, so ist das eindeutige Minimum durch 0 = q k (x) = f(x k ) + 2 f(x k )(x x k ) charakterisiert. Wir wählen die Lösung dieser Aufgabe als nächste Iterierte x k+1 und erhalten wieder x k+1 = x k 2 f(x k ) 1 f(x k ). Das Newton-Verfahren ist von der Bauart des allgemeinen Abstiegsverfahrens (Algorithmus 4.4), wobei die Suchrichtung durch die Lösung des linearen Gleichungssystems 2 f(x k ) d k = f(x k ) und die feste Schrittlänge durch t k = 1 gegeben sind: Algorithmus 7.1 (Lokales Newton-Verfahren) 1: Wähle x 0 R n und ε > 0 und setze k := 0 2: while f(x k ) > ε do 3: Löse 2 f(x k ) d k := f(x k ) 4: Setze x k+1 := x k + d k und k := k + 1 5: end while Wir können nun einen lokalen Konvergenzsatz formulieren:

16 16 1. UNBESCHRÄNKTE OPTIMIERUNG Satz 7.2 (Lokaler Konvergenzsatz für Newton-Verfahren) Es sei x R n ein stationärer Punkt und 2 f(x ) regulär. Dann existiert eine Umgebung U(x ) von x, sodass für jedes x 0 U(x ) gilt: (a) Das lokale Newton-Verfahren ist wohldefiniert und erzeugt eine Folge {x k }, die gegen x konvergiert. (b) Die Konvergenzrate ist q-superlinear. (c) Ist 2 f stetig diff.bar in U(x ), so ist die Konvergenzrate q-quadratisch. Beachte: Das vereinfache Newton-Verfahren, bei dem statt f(x k ) die feste Matrix 2 f(x 0 ) bei der Schrittberechnung verwendet wird, konvergiert linear. Bemerkung 7.3 Koppelt man das Newton-Verfahren an eine effiziente Schrittweitenstrategie, kann man globale Konvergenz erreichen.

17 KAPITEL 2 Nichtlineare beschränkte Optimierung 8 Einführung Wir betrachten in diesem Abschnitt das allgemeine nichtlineare Optimierungsproblem (vgl. (1.1)), auch NLP (Nonlinear Program) genannt: Minimiere f(x) über x R n sodass g i (x) 0, i = 1,..., m (8.1) und h j (x) = 0, j = 1,..., p. mit m 0 und p 0. Ziel: Optimalitätsbedingungen für (8.1), die numerisch überprüfbar sind und als Grundlage für Algorithmen dienen können. Wir nehmen im gesamten Kapitel 2 an, dass f, g und h stetig differenzierbar auf R n sind. Zur Erinnerung: X = {x R n : g i (x) 0 für alle i = 1,..., m, h j (x) = 0 für alle j = 1,..., p} (8.2) heißt zulässige Menge von (8.1). Beispiel 8.1 (gleichungsbeschränktes NLP) d.h. X = {(x 1, x 2 ) R 2 : x x = 0}. min f(x) = x 1 + x 2 unter c 1 (x) = x x = 0, (8.3) Man berechnet f(x) = (1, 1) T, c 1 (x) = (2x 1, 2x 2 ) T, Visualisierung: 17

18 18 2. NICHTLINEARE BESCHRÄNKTE OPTIMIERUNG Man sieht hier, dass in einem Punkt x immer Abstiegsrichtungen möglich sind, außer wenn f und c 1 parallel sind, d.h. wenn es ein λ gibt mit f(x ) = λ c 1 (x ). Dies ist also eine notwendige Bedingung für ein lokales Minimum von (8.3). Beispiel 8.2 (ungleichungsbeschränktes NLP) min f(x) = x 1 + x 2 unter c 1 (x) = 2 (x x 2 2) 0, (8.4) Man berechnet wieder f(x) = (1, 1) T, c 1 (x) = ( 2x 1, 2x 2 ) T, Visualisierung: Eine Abstiegsrichtung s im Punkt x muss die Bedingung f(x ), s = f(x ) T s < 0 erfüllen. Bzgl. der Zulässigkeit von s gilt in linearer Näherung (Taylor-Entwicklung 1. Ordnung): 0 c 1 (x ) + c 1 (x ) T s (8.5) Sei nun x eine optimale Lösung von (8.2) und s eine Abstiegsrichtung. Fallunterscheidung: a) x liegt im Inneren der zulässigen Menge X, dann lässt sich immer eine Abstiegsrichtung x mit f(x ) T s < 0 finden, falls f(x ) 0 f(x ) = 0 ist notwendige Bedingung für ein lokales Minimum. b) x liegt am Rand der zulässigen Menge X, dann gilt c 1 (x ) = 0 und mit (8.5) folgt c 1 (x ) T s 0 (8.6) Zusammen mit f(x ) T s < 0 folgt also, dass c 1 (x ) und f(x ) parallel sein und in die gleiche Richtung zeigen müssen, damit keine zulässige Abstiegsrichtung existiert (siehe folgende Abbildung), d.h. c 1 (x ) = λ 1 f(x ), λ 1 0 (8.7)

19 2. NOTWENDIGE OPTIMALITÄTSBEDINGUNGEN 19 Wir führen nun die sog. Lagrange-Funktion ein, die uns erlauben wird, notwendige Bedingungen für beschränkte Optimierungsprobleme in bequemer Form zu schreiben und die obige Fallunterscheidung zusammenzuführen. Definition 8.3 (Lagrange-Funktion) Die Funktion m L(x, λ, µ) := f(x) + µ i g i (x) + = f(x) + µ g(x) + λ h(x) heißt die zu (8.1) gehörige Lagrange-Funktion. i=1 p λ j h j (x) Beachte: Man sagt, die Nebenbedingungen g i (x) 0 und h j (x) = 0 werden an die Zielfunktion f(x) angekoppelt. j=1 9 Notwendige Optimalitätsbedingungen der nichtlinearen Optimierung Definition 9.1 (KKT-Bedingungen und -Punkt) (a) Die Bedingungen L x (x, λ, µ) = 0 h(x) = 0 (9.1a) (9.1b) µ 0, g(x) 0, µ g(x) = 0 (9.1c) heißen die Karush-Kuhn-Tucker-Bedingungen (kurz: KKT-Bedingungen) des Problems (8.1). Dabei ist m p L x (x, λ, µ) = f(x) + µ i g i (x) + λ j h j (x) i=1 j=1 = f(x) + g (x) µ + h (x) λ } {{ } Jacobi-Matrix der Gradient von L(x, λ, µ) bzgl. x. (b) Ein Punkt (x, λ, µ ) R n R p R m, der (9.1) erfüllt, heißt ein KKT- Punkt von (8.1). Die Vektoren λ und µ heißen dann Lagrange-Multiplikatoren zu den Beschränkungen h(x ) = 0 bzw. g(x ) 0.

20 20 2. NICHTLINEARE BESCHRÄNKTE OPTIMIERUNG Bemerkung 9.2 Sei (x, λ, µ ) ein KKT-Punkt. (a) Die Komplementaritätsbedingung (9.1c) ist äquivalent zu µ i 0, g i (x ) 0, µ i g i (x ) = 0 für alle i = 1,..., m, d.h., mindestens eine der Zahlen µ i und g i (x ) ist gleich null. Insbesondere gehört also zu einer inaktiven Beschränkung g i (x ) < 0 ein Lagrange- Multiplikator µ i = 0. (b) Die Bedingung (9.1a) besagt gerade, dass m p f(x ) = µ i g i (x ) + λ j h j (x ) i=1 gilt mit Skalaren µ i 0 und µ i = 0 für i I(x ) wegen (9.1c). Außerdem sichern (9.1b) und (9.1c) die Zulässigkeit g(x ) 0 und h(x ) = 0. (c) Durch die KKT-Bedingungen wird die Optimierungsaufgabe (8.1) in ein nichtlineares Gleichungs- und Ungleichungssystem (9.1) transformiert, das als Basis für numerische Verfahren dienen kann. (d) Man nennt die KKT-Bedingungen auch notwendige Bedingungen 1. Ordnung, da sie (nur) erste Ableitungen von f, g und h verwenden. j=1 9.1 Optimalitätsbedingungen unter LICQ Definition 9.3 (LICQ) Sei x 0 zulässiger Punkt des Optimierungsproblems (8.1) und A(x 0 ) die Menge der aktiven Indizes, d.h. die Indizes derjenigen Ungleichungen g i (x) 0, für die in x die Gleichheit g i (x) = 0 erfüllt ist. Man sagt: x 0 erfüllt die Regularitätsbedingungen der linearen Unabhängigkeit (kurz: LICQ, Linear Inequality Constraint Qualification), wenn gilt: Die Gradienten { h j (x 0 )} j=1 { g i (x 0 )} i A(x0 ) sind linear unabhängig. Satz 9.4 (KKT-Bedingungen unter LICQ) Es sei x ein lokales Optimum von (8.1), das die LICQ erfüllt. Dann existieren eindeutig bestimmte Lagrange-Multiplikatoren λ R p und µ R m, so dass (x, λ, µ ) ein KKT-Punkt von (8.1) ist. 10 Numerische Methoden für beschränkte nichtlineare Optimierungsprobleme Numerische Methoden setzen die in Kapitel 1 vorgestellten Methoden zur Berechnung lokaler Minima ein, indem sie das nichtlineare Gleichungssystem der KKT- Bedingungen (9.1a - 9.1c) lösen. Das Einführen der Lagrange-Funktion hat also den Sinn, ein beschränktes Optimierungsproblem für eine Zielfunktion in ein unbeschränktes für die Lagrange-Funktion zu überführen, indem die Beschränkungen über Lagrange-Multiplikatoren angekoppelt werden.

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Dr. Abebe Geletu Ilmenau University of Technology Department of Simulation and Optimal Processes

Mehr

Optimierung für Nichtmathematiker

Optimierung für Nichtmathematiker Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den

Mehr

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen Optimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen Dr. Nico Düvelmeyer Freitag, 8. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 NLP Aufgabe KKT 2 Nachtrag

Mehr

Mathematik 1 für Wirtschaftsinformatik

Mathematik 1 für Wirtschaftsinformatik Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration

Mehr

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

4. Dynamische Optimierung

4. Dynamische Optimierung 4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und

Mehr

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3

Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3 Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen

Mehr

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist. Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen

Mehr

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte und Eigenvektoren von Matrizen Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt

Mehr

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

Mehr

Kevin Caldwell. 18.April 2012

Kevin Caldwell. 18.April 2012 im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig

Mehr

Modulabschlussklausur Analysis II

Modulabschlussklausur Analysis II Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv

Mehr

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term

Mehr

7 Rechnen mit Polynomen

7 Rechnen mit Polynomen 7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn

Mehr

4. Versicherungsangebot

4. Versicherungsangebot 4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil

Mehr

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

Mehr

Charakteristikenmethode im Beispiel

Charakteristikenmethode im Beispiel Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

Approximation durch Taylorpolynome

Approximation durch Taylorpolynome TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni

Mehr

1 Konvexe Funktionen. 1.1 Definition. 1.2 Bedingung 1.Ordnung. Konvexität und Operationen, die die Konvexität bewahren Seite 1

1 Konvexe Funktionen. 1.1 Definition. 1.2 Bedingung 1.Ordnung. Konvexität und Operationen, die die Konvexität bewahren Seite 1 Konvexität und Operationen, die die Konvexität bewahren Seite 1 1 Konvexe Funktionen 1.1 Definition Eine Funktion f heißt konvex, wenn domf eine konvexe Menge ist und x,y domf und 0 θ 1: f(θx + (1 θ)y)

Mehr

Mathematischer Vorbereitungskurs für Ökonomen

Mathematischer Vorbereitungskurs für Ökonomen Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen

Mehr

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie

Mehr

Extrema von Funktionen in zwei Variablen

Extrema von Funktionen in zwei Variablen Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

TEILWEISE ASYNCHRONE ALGORITHMEN

TEILWEISE ASYNCHRONE ALGORITHMEN TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner

Mehr

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html

Mehr

Informationsblatt Induktionsbeweis

Informationsblatt Induktionsbeweis Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln

Mehr

8. Quadratische Reste. Reziprozitätsgesetz

8. Quadratische Reste. Reziprozitätsgesetz O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

Mehr

!(0) + o 1("). Es ist damit möglich, dass mehrere Familien geschlossener Orbits gleichzeitig abzweigen.

!(0) + o 1(). Es ist damit möglich, dass mehrere Familien geschlossener Orbits gleichzeitig abzweigen. Bifurkationen an geschlossenen Orbits 5.4 167 der Schnittabbldung konstruiert. Die Periode T (") der zugehörigen periodischen Lösungen ergibt sich aus =! + o 1 (") beziehungsweise Es ist also t 0 = T (")

Mehr

Übungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13

Übungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13 Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Prof. Dr. Dres. h.c. Hans Georg Bock Dr. Christian Kirches Dipl.-Phys. Simon Lenz Übungen zur Numerischen Mathematik 2 Sommersemester

Mehr

Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen

Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in

Mehr

a n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n

a n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n Folgen und Reihen. Beweisen Sie die Beschränktheit der Folge (a n ) n N mit 2. Berechnen Sie den Grenzwert der Folge (a n ) n N mit a n := ( ) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 n +. 4 3. Untersuchen

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

Musterlösungen zur Linearen Algebra II Blatt 5

Musterlösungen zur Linearen Algebra II Blatt 5 Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung. Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,

Mehr

1 Mathematische Grundlagen

1 Mathematische Grundlagen Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.

Mehr

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines

Mehr

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,

Mehr

Universität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW

Universität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6

Mehr

14 Schmiegeparabel und Freunde, Taylor-Reihe

14 Schmiegeparabel und Freunde, Taylor-Reihe 14 Schmiegeparabel und Freunde, Taylor-Reihe Jörn Loviscach Versionsstand: 20. März 2012, 16:01 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu: http://www.j3l7h.de/videos.html

Mehr

Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung

Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung Rainer Hufnagel / Laura Wahrig 2006 Diese Woche LO - Sensitivitätsanalyse Simulation Beispiel Differenzengleichungen

Mehr

Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme

Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es

Mehr

Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?

Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt

Mehr

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de

Mehr

( ) als den Punkt mit der gleichen x-koordinate wie A und der

( ) als den Punkt mit der gleichen x-koordinate wie A und der ETH-Aufnahmeprüfung Herbst 05 Mathematik I (Analysis) Aufgabe [6 Punkte] Bestimmen Sie den Schnittwinkel α zwischen den Graphen der Funktionen f(x) x 4x + x + 5 und g(x) x x + 5 im Schnittpunkt mit der

Mehr

Hamilton-Formalismus

Hamilton-Formalismus KAPITEL IV Hamilton-Formalismus Einleitung! IV.1 Hamilton sche Bewegungsgleichungen IV.1.1 Kanonisch konjugierter Impuls Sei ein mechanisches System mit s Freiheitsgraden. Im Rahmen des in Kap. II eingeführten

Mehr

DIFFERENTIALGLEICHUNGEN

DIFFERENTIALGLEICHUNGEN DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung

Mehr

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u. Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume

Mehr

Lernmaterial für die Fernuni Hagen effizient und prüfungsnah

Lernmaterial für die Fernuni Hagen effizient und prüfungsnah Lernmaterial für die Fernuni Hagen effizient und prüfungsnah www.schema-f-hagen.de Sie erhalten hier einen Einblick in die Dokumente Aufgaben und Lösungen sowie Erläuterungen Beim Kauf erhalten Sie zudem

Mehr

Grundlagen der Theoretischen Informatik, SoSe 2008

Grundlagen der Theoretischen Informatik, SoSe 2008 1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)

Mehr

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!. 040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl

Mehr

Mathematik I für Wirtschaftswissenschaftler

Mathematik I für Wirtschaftswissenschaftler 1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.

Mehr

Stackelberg Scheduling Strategien

Stackelberg Scheduling Strategien Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:

Mehr

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort: Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

3. Grundlagen der Linearen Programmierung

3. Grundlagen der Linearen Programmierung 3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations

Mehr

Gleichungen und Ungleichungen

Gleichungen und Ungleichungen Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls

Mehr

Optimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz

Optimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel

Mehr

Dokumentation zum Projekt Multimediale Lehre Fluidmechanik an der Technischen Universität Graz

Dokumentation zum Projekt Multimediale Lehre Fluidmechanik an der Technischen Universität Graz Dokumentation zum Projekt Multimediale Lehre Fluidmechanik an der Technischen Universität Graz Andreas Aigner email: andreasa@sbox.tu-graz.ac.at. Januar 00 Inhaltsverzeichnis Theorie. Stromfunktion...........................

Mehr

Behörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik

Behörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.

Mehr

Lineare Differentialgleichungen erster Ordnung erkennen

Lineare Differentialgleichungen erster Ordnung erkennen Lineare Differentialgleichungen erster Ordnung In diesem Kapitel... Erkennen, wie Differentialgleichungen erster Ordnung aussehen en für Differentialgleichungen erster Ordnung und ohne -Terme finden Die

Mehr

Betragsgleichungen und die Methode der Fallunterscheidungen

Betragsgleichungen und die Methode der Fallunterscheidungen mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at

Mehr

Die reellen Lösungen der kubischen Gleichung

Die reellen Lösungen der kubischen Gleichung Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................

Mehr

8. Übung zur Vorlesung Mathematisches Modellieren Lösung

8. Übung zur Vorlesung Mathematisches Modellieren Lösung Universität Duisburg-Essen Essen, den.6. Fakultät für Mathematik S. Bauer C. Hubacsek C. Thiel 8. Übung zur Vorlesung Mathematisches Modellieren Lösung In dieser Übung sollen in Aufgabe und die qualitativ

Mehr

a n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:

a n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1

Mehr

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :

Mehr

6.2 Scan-Konvertierung (Scan Conversion)

6.2 Scan-Konvertierung (Scan Conversion) 6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster

Mehr

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen II Vorlesung am 15.11.2012 Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales

Mehr

Lineare Gleichungssysteme I (Matrixgleichungen)

Lineare Gleichungssysteme I (Matrixgleichungen) Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst

Mehr

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen. Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems

Mehr

Physik 4, Übung 11, Prof. Förster

Physik 4, Übung 11, Prof. Förster Physik 4, Übung 11, Prof. Förster Christoph Hansen Emailkontakt ieser Text ist unter dieser Creative Commons Lizenz veröffentlicht. Ich erhebe keinen Anspruch auf Vollständigkeit oder Richtigkeit. Falls

Mehr

Repetitionsaufgaben Wurzelgleichungen

Repetitionsaufgaben Wurzelgleichungen Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Frohe Weihnachten und ein gutes neues Jahr!

Frohe Weihnachten und ein gutes neues Jahr! Frohe Weihnachten und ein gutes neues Jahr! Die mit dem Stern * gekennzeichneten Übungen sind nicht verpflichtend, aber sie liefern zusätzliche Punkte. Unten wird immer mit I das reelle Intervall [0, 1]

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum

6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum 6 ALLGEMEINE THEORIE DES ELEKTROMAGNETISCHEN FELDES IM VAKUUM 25 Vorlesung 060503 6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum 6.1 Grundaufgabe der Elektrodynamik Gegeben: Ladungsdichte

Mehr

Theoretische Grundlagen der Informatik WS 09/10

Theoretische Grundlagen der Informatik WS 09/10 Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3

Mehr